ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ ΣΧΟΛΗ ΜΗΧΑΝΙΚΩΝ ΠΑΡΑΓΩΓΗΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ

Transcript

1 ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ ΣΧΟΛΗ ΜΗΧΑΝΙΚΩΝ ΠΑΡΑΓΩΓΗΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ Επίλυση προβλήματος προγραμματισμού παράγωγης κατά παραγγελία (JOB SHOP SCHEDULING) με τη χρήση του μεθευρετικού αλγορίθμου περιορισμένης αναζήτησης (Tabu Search) ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ Ιερωνυμάκης Κωνσταντίνος Τριμελής Επιτροπή: Επίκουρος Καθηγητής Μαρινάκης Ιωάννης (Επιβλέπων) Καθηγητής Σταυρουλάκης Γεώργιος Καθηγητής Αντωνιάδης Αριστομένης Χανιά, Μάρτιος 2014

2 ΕΥΧΑΡΙΣΤΙΕΣ Θα ήθελα να ευχαριστήσω τον επιβλέποντα καθηγητή μου κ. Μαρινάκη Ιωάννη για την άψογη συνεργασία που είχαμε και για το χρόνο που μου αφιέρωσε. Τέλος, θα ήθελα να ευχαριστήσω τους γονείς μου Δημήτρη και Αρετή, καθώς επίσης και τον αδερφό μου Χάρη, που με υπομονή και κουράγιο προσέφεραν την απαραίτητη ηθική συμπαράσταση για την ολοκλήρωση των προπτυχιακών σπουδών μου και της Διπλωματικής εργασίας. Επίσης να ευχαριστήσω την τριμελής επιτροπή τον κ. Σταυρουλάκη και τον κ. Αντωνιάδη για το χρόνο τους και για τη προσοχή του κατά τη διάρκεια της παρουσίασης. Τέλος θα ήθελα να ευχαριστήσω τους Φίλους και Συμφοιτητές μου που με στήριξαν καθ όλη την διάρκεια της συγγραφής της παρούσας εργασίας. Την παρούσα εργασία την αφιερώνω στην οικογένεια μου. Ιερωνυμάκης Κωνσταντίνος Χανιά, Μάρτιος

3 ΠΕΡΙΕΧΟΜΕΝΑ ΕΥΧΑΡΙΣΤΙΕΣ... 1 ΠΕΡΙΕΧΟΜΕΝΑ ΕΙΚΩΝΩΝ... 3 ΠΕΡΙΕΧΟΜΕΝΑ ΠΙΝΑΚΩΝ... 3 ΕΙΣΑΓΩΓΗ... 6 ΚΕΦΑΛΑΙΟ ΠΡΟΒΛΗΜΑ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΥ ΠΑΡΑΓΩΓΗΣ Ορισμός προγραμματισμού παραγωγής (scheduling) Είδη προγραμματισμού παραγωγής Πρόβλημα παραγωγής κατά παραγγελία (Job shop) ΚΕΦΑΛΑΙΟ ΕΞΕΛΙΚΤΙΚΕΣ ΣΤΡΑΤΗΓΙΚΕΣ ΚΑΙ ΑΛΓΟΡΙΘΜΟΙ Ανάλυση αλγορίθμων (κύριοι αλγόριθμοι) Μεθευρετικοί αλγόριθμοι Λίστα περιορισμένης αναζήτησης (Τabu Search) ΚΕΦΑΛΑΙΟ ΠΕΡΙΓΡΑΦΗ ΑΛΓΟΡΙΘΜΟΥ ΕΠΙΛΥΣΗΣ Ανάλυση της διαδικασίας ανάπτυξης του αλγορίθμου επίλυσης ΚΕΦΑΛΑΙΟ ΑΠΟΤΕΛΕΣΜΑΤΑ Αναλυτική παρουσίαση πρώτης σειράς δεδομένων Παρουσίαση όλων των σειρών δεδομένων Συγκριτική ανάλυση αποτελεσμάτων ΚΕΦΑΛΑΙΟ ΣΥΜΠΕΡΑΣΜΑΤΑ ΒΙΒΛΙΟΓΡΑΦΙΑ

4 ΠΕΡΙΕΧΟΜΕΝΑ ΕΙΚΩΝΩΝ Εικόνα 1: Διάγραμμα σύγκρισης Εικόνα 2: Διάγραμμα αποκλίσεων Εικόνα 3: Διάγραμμα αποτελεσμάτων επαναληπτικής διαδικασίας Εικόνα 4: Διάγραμμα αποτελεσμάτων επαναληπτικής διαδικασίας Εικόνα 5: Διάγραμμα αποτελεσμάτων επαναληπτικής διαδικασίας Εικόνα 6: Διάγραμμα αποτελεσμάτων επαναληπτικής διαδικασίας Εικόνα 7: Διάγραμμα αποτελεσμάτων επαναληπτικής διαδικασίας Εικόνα 8: Διάγραμμα σύγκρισης λύσεων Εικόνα 9: Διάγραμμα αποκλίσεων Εικόνα 10: Διάγραμμα σύγκρισης λύσεων Εικόνα 11: Διάγραμμα αποκλίσεων Εικόνα 12: Διάγραμμα σύγκρισης λύσεων Εικόνα 13: Διάγραμμα αποκλίσεων Εικόνα 14: Διάγραμμα σύγκρισης λύσεων Εικόνα 15: Διάγραμμα αποκλίσεων Εικόνα 16: Διάγραμμα σύγκρισης λύσεων Εικόνα 17: Διάγραμμα αποκλίσεων Εικόνα 18: Διάγραμμα μέσων ορών αποκλίσεων ΠΕΡΙΕΧΟΜΕΝΑ ΠΙΝΑΚΩΝ Πίνακας 1: Πινάκας χρονών Πίνακας 2: Πινάκας προτεραιοτήτων Πίνακας 3: Τυχαίος πινάκας Πίνακας 4: Τυχαίος διορθωμένος πινάκας Πίνακας 5: Κατά τη διάρκεια του γεμίσματος Πίνακας 6: Ο πινάκας αφού έχει γεμίσει Πίνακας 7: Πινάκας σύγκρισης

5 Πίνακας 8: Πινάκας αποκλίσεων Πίνακας 9: Πινάκας προτεραιοτήτων Πίνακας 10: Πινάκας χρονών Πίνακας 11: Πινάκας αποτελεσμάτων επαναληπτικής διαδικασίας Πίνακας 12: Πινάκας final Πίνακας 13: Πινάκας προτεραιοτήτων Πίνακας 14: Πινάκας χρόνων Πίνακας 15: Πινάκας αποτελεσμάτων επαναληπτικής διαδικασίας Πίνακας 16: Πινάκας final Πίνακας 17: Πινάκας προτεραιοτήτων Πίνακας 18: Πινάκας χρονών Πίνακας 19: Πινάκας αποτελεσμάτων επαναληπτικής διαδικασίας Πίνακας 20: Πινακας final Πίνακας 21: Πινάκας προτεραιοτήτων Πίνακας 22: Πινάκας χρονών Πίνακας 23: Πινάκας αποτελεσμάτων επαναληπτικής διαδικασίας Πίνακας 24: Πινάκας final Πίνακας 25: Πινάκας προτεραιοτήτων Πίνακας 26: Πινάκας χρόνων Πίνακας 27: Πινάκας αποτελεσμάτων επαναληπτικής διαδικασίας Πίνακας 28: Πινάκας final Πίνακας 29: Πινάκας σύγκρισης λύσεων Πίνακας 30: Πινάκας αποκλίσεων Πίνακας 31: Πινάκας σύγκρισης λύσεων Πίνακας 32: Πινάκας αποκλίσεων Πίνακας 33: Πινάκας σύγκρισης λύσεων Πίνακας 34: Πινάκας αποκλίσεων

6 Πίνακας 35: Πινάκας σύγκρισης λύσεων Πίνακας 36: Πινάκας αποκλίσεων Πίνακας 37: Πινάκας σύγκρισης λύσεων Πίνακας 38: Πινάκας αποκλίσεων Πίνακας 39: Πινάκας μέσων ορών αποκλίσεων

7 ΕΙΣΑΓΩΓΗ Στην παρούσα διπλωματική εργασία εξετάζουμε ένα κλασσικό πρόβλημα της εφοδιαστικής αλυσίδας, το πρόβλημα προγραμματισμού παραγωγής. Πιο συγκεκριμένα θα επιλύσουμε το πρόβλημα παράγωγης κατά παραγγελία (job shop scheduling) με το μεθευρετικό αλγόριθμο περιορισμένης αναζήτησης (tabu search). Αρχικά θα αναλύσουμε τι είναι προγραμματισμός παράγωγης προσδιορίζοντας το ρόλο και τη χρησιμότητα του. Θα ορίσουμε μεταβλητές και εξισώσεις που χρησιμοποιήσαμε στο πρόγραμμα μας. Έπειτα θα διαχωρίσουμε τα ειδή του προγραμματισμού παράγωγης και θα δώσουμε έμφαση στο προγραμματισμό παράγωγης κατά παραγγελία (jobshop scheduling) που είναι και το κύριο κομμάτι που θα ασχοληθούμε. Ο συγκεκριμένος κλάδος του προγραμματισμού παράγωγης θα συνδυαστεί με τον αλγόριθμο προορισμένης αναζήτησης (tabu search), συνεπώς θα δώσουμε έμφαση στις στρατηγικές και τους αλγορίθμους που χρησιμοποιούνται στο προγραμματισμό παράγωγης. Θα αναλύσουμε τα ειδή των αλγορίθμων και θα επικεντρωθούμε στου εφευρετικούς όπου και ανήκει ο αλγόριθμος περιορισμένης αναζήτησης. Στη συνεχεία θα παρουσιάσουμε με διάγραμμα ροής και ψευδογλώσσα το πρόγραμμα μας και θα το κατηγοριοποιήσουμε σύμφωνα με τις βασικές συναρτήσεις που χρησιμοποιήσαμε. Σημαντικό μέρος της πτυχιακής εργασίας έχουν και τα δεδομένα που συλλέξαμε τα οποία παρουσιάζονται κατηγοριοποιημένα κάνοντας παράλληλα αναφορά στα πρόσωπα που ανήκουν. Έπειτα παρουσιάζεται με τη μορφή πινάκων και διαγραμμάτων η σύγκριση των αποτελεσμάτων που μας έδωσε το πρόγραμμα μας σε σχέση με τα βέλτιστα αποτελέσματα σε κάθε ομάδα δεδομένων. Προσπάθησα στις παρακάτω σελίδες να παρουσιαστεί ποιοτικά και ποσοτικά όσο πιο αναλυτικά γίνετε οι αποκλίσεις που είχαμε αλλά και τα καλύτερα αποξέσματα που εξάγαμε. Παρουσιάζονται οι τελικοί πινάκες με τους συνδυασμούς εργασιώνμηχανών που πρέπει να πραγματοποιηθούν ώστε να ελαχιστοποιήσουμε το χρόνο και αντίστοιχα το κόστος παράγωγης. Εξάγω κατά τη γνώμη μου σημαντικά συμπεράσματα για τη χρησιμότητα αλλά και την 6

8 αποτελεσματικότητα του προγράμματος για τη λύση του προβλήματος παράγωγης που μου ανατέθηκε. Τέλος η παρακάτω εργασία προσπαθεί να δώσει μια σφαιρική εικόνα για το πώς προβλήματα καθημερινής φύσης μπορούν να μοντελοποιηθούν ούτος ώστε να χρησιμοποιήσουν κατά το βέλτιστο μια επαναληπτική διαδικασία που θα εξάγει χρήσιμες λύσεις. 7

9 ΚΕΦΑΛΑΙΟ 1 ΠΡΟΒΛΗΜΑ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΥ ΠΑΡΑΓΩΓΗΣ 1.1 Ορισμός προγραμματισμού παραγωγής (scheduling) Ο προγραμματισμός παραγωγής έχει σημαντικό ρόλο στο τομέα της παροχής υπηρεσιών. Για να βελτιστοποιήσουμε την απόδοση του συστήματος είναι απαραίτητη η εφαρμογή χρονοδιαγράμματος και η σωστή χρήση του. Ως εκ τούτου ο κατασκευαστής ή ο πάροχος υπηρεσιών μπορεί να διατηρήσει χαμηλότερο κόστος, προκειμένου να ενισχύσει την υπεροχή του έναντι του έντονου ανταγωνισμού στο σημερινό περιβάλλον. Ο όρος του προγραμματισμού έχει δύο σημασίες στη βιβλιογραφία. Ο πρώτος αναφέρεται στη λειτουργία, ενώ ο δεύτερος σχετίζεται με τη θεωρία. Στον πρώτο οι διαχειριστές αναζητούν τις απαντήσεις σε αυτά τα ερωτήματα: Τι προϊόν ή υπηρεσία παράγεται; Ποια θα είναι η κλίμακα της παραγωγής; Ποιοι πόροι θα χρησιμοποιηθούν; Αρκετά μοντέλα μπορεί να χρησιμοποιηθούν για να βρεθούν οι απαντήσεις που απαιτούνται. Το παλαιότερο και ίσως καλύτερο γνωστό μοντέλο είναι το διάγραμμα Gantt. Το διάγραμμα Gantt αποτελείται από οριζόντιες γραμμές οι οποίες αντιπροσωπεύουν θέσεις εργασίας. Τα μήκη των ράβδων δείχνουν την διάρκεια των θέσεων εργασίας. Η Θεωρία του προγραμματισμού εστιάζεται κυρίως στα μαθηματικά μοντέλα και τις τεχνικές επίλυσης που θα βοηθήσουν στη αποδοτικότερη λειτουργία του συστήματος[1]. Ο προγραμματισμός της παραγωγής είναι η διαδικασία οργάνωσης των πόρων για την εκτέλεση όλων των δραστηριοτήτων που απαιτούνται. Είναι μια από τις πιο σημαντικές διαδικασίες λήψης αποφάσεων στη διαχείριση των επιχειρήσεων δεδομένου ότι αποτελεί μια σημαντική 8

10 βάση για τον προγραμματισμό των δραστηριοτήτων τους. Επιπλέον έχει ένα ευρύ πεδίο εφαρμογής που καλύπτει το σχεδιασμό των έργων, τη διαχείριση καταστημάτων, τα ωρολόγια προγράμματα, τη δρομολόγηση της μεταφοράς οχημάτων, κλπ. Το πρόβλημα προγραμματισμού κατατάσσεται σε τέσσερις κατηγορίες με βάση τη διχοτόμηση του στατικού εναντίον του δυναμικού και του στοχαστικού εναντίον του ντετερμινιστικού. Η αντικειμενική συνάρτηση ορίζεται με βάση την απόδοση πολλών παραμέτρων. Τα μέτρα αυτά μπορεί να είναι ο χρόνος ροής, η πρωιμότητα, η καθυστέρηση, η αργοπορία, ο αριθμός των καθυστερημένων εργασιών, κλπ. Οι ακόλουθες παράμετροι είναι οι βάσεις για τον υπολογισμό της αντικειμενικής συνάρτησης και έχουν ως εξής: Ο χρόνος επεξεργασίας (t i ): Χρονικό διάστημα που απαιτείται για την εργασία i μέχρι ολοκληρωθεί. Χρόνος προετοιμασίας (r i ): Χρονικό σημείο στο οποίο οι εργασίες είναι έτοιμες να υποστούν επεξεργασία. Ημερομηνία καταβολής (d i ): Το αργότερο χρονικό διάστημα καταβολής της εργασίας. Η ακόλουθη παράμετρος βρίσκεται μετά το προσδιορισμό του πλήρες έργου: Χρόνος ολοκλήρωσης ( C i ): Χρονικό σημείο στο οποίο η εργασία έχει ολοκληρωθεί Οι ακόλουθες παράμετροι είναι βασικές ποσοτικών μέτρων βασιζόμενες στον χρόνο που απαιτείται για την αξιολόγηση του χρονοδιαγράμματος: Χρόνο ροής (F i ): Μήκος του χρόνου εργασίας i που ξοδεύει στο σύστημα. Αργοπορία (L i ): Χρονικό διάστημα όπου η ολοκλήρωση της εργασίας i υπερβαίνει την ημερομηνία λήξης. 9

11 Οι παράμετροι αυτοί υπολογίζονται ως εξής: F i = C i - R i L i = C i - d i Η αργοπορία μπορεί να είναι αρνητική, μηδέν ή θετική. Μη αρνητικές τιμές δείχνουν καλές επιδόσεις του χρονοδιαγράμματος. Ωστόσο οι αρνητικές τιμές ευθύνονται για την κακή απόδοση του. Η βραδύτητα ορίζεται ως εξής: T i = max {0, L i } Ομοίως η πρωιμότητα μπορεί να οριστεί : E i = max {0, - L i } Τα Δρομολόγια αξιολογούνται χρησιμοποιώντας διάφορα μέτρα απόδοσης, τα μέτρα αυτά είναι συνήθως με βάση τους χρόνους ολοκλήρωσης. Ας υποθέσουμε ότι έχουμε n θέσεις εργασίας, τα πιο κοινά μέτρα μπορούν να οριστούν ως εξής[2]: Ο μέσος χρόνος ροής : F = F i / n Η μέση βραδύτητα: T = T i / n Μέγιστος χρόνος ροής: Fmax =max{f i } Μέγιστη καθυστέρηση: Lmax =max{l i } Μέγιστης καθυστέρησης: Tmax =max{t i } Makespan: Cmax =max{c i } 1.2 Είδη προγραμματισμού παραγωγής Περά από τη παραγωγή κατά παραγγελία (job shop) την όποιο θα αναλύσουμε στη συνεχεία δυο είναι τα βασικά ειδή προγραμματισμού παράγωγης τα οποία έχουν αναπτυχθεί και χρησιμοποιούνται για τη βελτίωση του συστήματος. 10

12 Προγραμματισμός παράγωγης συνεχούς ροής (FLOW SHOP) Προβλήματα προγραμματισμού συνεχούς ροής είναι εύκολο να διατυπωθούν ακόμη και αν είναι εξαιρετικά πολύπλοκα. Στα συγκεκριμένα προβλήματα υπάρχει ένα σύνολο από n παραγγελίες προϊόντων για την παραγωγή. Αυτά είναι συνήθως εργασίες. Η παραγωγή αποτελείται από m μηχανές που είναι τοποθετημένες σε σειρά. Κάθε εργασία επισκέπτεται κάθε μηχάνημα σε τάξη. Αυτή η σειρά μπορεί να είναι χωρίς απώλειες μηχανή 1, μηχανή 2 και ούτω καθ εξής μέχρι τη μηχανή m. Σαν αποτέλεσμα αυτού κάθε εργασία j, j N έχει συγκεκριμένη αλληλουχία και εκτελείται σε ένα μηχάνημα i, i M. Ο χρόνος επεξεργασίας των καθηκόντων αναφέρεται ως p j,i ο οποίος δηλώνει ουσιαστικά το μη αρνητικό γνωστό χρόνο επεξεργασίας της εργασίας j στη μηχανή i. Το παραπάνω πρόβλημα συνίσταται στην εύρεση μιας παραγωγικής ακολουθίας των n εργασιών στις μηχανές m, έτσι ώστε να βελτιστοποιηθεί ένα δεδομένο κριτήριο απόδοσης. Ο συνολικό αριθμό των εφικτών λύσεων προέρχεται από τους πιθανούς συνδυασμούς των εργασιών στις μηχανές. Για κάθε μηχανή έχουμε n! δυνατές εργασίες μετάθεσης. Ανοιχτό πρόβλημα προγραμματισμού ροής (OPEN SHOP) Το πρόβλημα ανοιχτού προγραμματισμού ροής είναι μια ειδική περίπτωση του γενικού προβλήματος προγραμματισμού στο οποίο: κάθε εργασία i αποτελείται από m λειτουργίες, Oij ( j = 1,..., m ), όπου Oij πρέπει να υποβάλλονται σε επεξεργασία στη μηχανή Mj. δεν υπάρχουν σχέσεις προτεραιότητας μεταξύ των διαδικασιών. Στη συγκεκριμένη μέθοδο δεν τίθενται περιορισμοί για τη σειρά με την οποία θα επεξεργαστούν οι εργασίες. Είναι εύκολο να φανταστούμε καταστάσεις όπου τα καθήκοντα που συνθέτουν μια εργασία μπορεί να εκτελούνται με οποιαδήποτε σειρά έστω και αν δεν είναι δυνατόν να προβούν σε περισσότερες από μία εργασίες παράλληλα. 11

13 1.3 Πρόβλημα παραγωγής κατά παραγγελία (Job shop) Το Πρόβλημα παραγωγής κατά παραγγελία είναι ένα από τα πιο χαρακτηριστικά και πολύπλοκα προβλήματα στο τομέα του προγραμματισμού παράγωγης. Ο σκοπός του είναι να διαθέσει n θέσεις εργασίας σε m μηχανές προκειμένου να βελτιστοποιηθεί το μετρό απόδοσης του συστήματος [3]. Παραδοσιακά υπάρχουν τρεις προσεγγίσεις για την επίλυση του, οι κανόνες προτεραιότητας, η συνδυαστικής βελτιστοποίησης και οι περιορισμοί ανάλυσης[4]. Ο προγραμματισμός παράγωγης κατά παραγγελία έχει τη δυνατότητα παραγωγής προϊόντων με διαφορετικό χρόνο εκτέλεσης για κάθε εργασία. Λόγω των διαφορετικών λειτουργιών για κάθε προϊόν και των απαιτήσεων των μηχανών κατά την επεξεργασία του είναι αρκετά δύσκολο να βρούμε μια αποτελεσματική λύση προγραμματισμού. Tο πρόβλημα παραγωγής κατά παραγγελία ανήκει στη κατηγορία προβλημάτων της συνδυαστικής βελτιστοποίησης γνωστά ως NP - Hard 1. Τις τελευταίες τρεις δεκαετίες πολλοί ερευνητές έχουν δήξει ενδιαφέρον για τέτοια προβλήματα. Το συγκεκριμένο πρόβλημα είναι ένα από τα πιο σημαντικά θέματα στον σχεδιασμό της παράγωγης όπως επίσης είναι σημαντικό γιατί καθορίζει τη διαδικασία, τους χάρτες και τις δυνατότητες για την πλειονότητα των βιομηχανιών. Στη περίπτωση μας έχουμε n θέσεις εργασιών και m μηχανές, υπάρχουν ( n1 )! ( n2 )!... ( nm )! αλληλουχίες όπου nκ είναι ο αριθμός των ενεργειών που πρέπει να γίνουν από k μηχανές. Φυσικά, δεν είναι όλες οι λύσεις εφικτές. Η καλύτερη αλληλουχία πρέπει να ικανοποιήσει τους περιορισμούς και να βελτιστοποιεί ένα ή περισσότερα κριτήρια. Ωστόσο είναι αδύνατο να αξιολογηθούν όλες οι λύσεις σε ένα εύλογο χρονικό διάστημα. Έτσι ένας μεγάλος αριθμός από αλγόριθμους έχουν αναπτυχθεί ώστε να επιτευχθούν οι κατάλληλες αλληλουχίες εργασιών σε μια διαδικασία κατασκευής. Αυτοί οι αλγόριθμοι μπορούν να ταξινομηθούν σε στατικούς και δυναμικούς με βάση την ώρα της απόφασης. Σε στατικά προβλήματα η προτεραιότητα των θέσεων εργασίας εντοπίζεται κατά την επεξεργασία. Από την άλλη πλευρά σε μια δυναμική κατάσταση η αλληλουχία που προσδιορίζει τις εργασίες μπορεί να αλλάξει από το ένα μηχάνημα στο άλλο βασιζόμενο σε 12

14 διαφορετικές καταστάσεις. Δυναμικοί κανόνες είναι πιο συχνοί από στατικούς στο πραγματικό κόσμο της βιομηχανίας. Ας υποθέσουμε ότι υπάρχουν m μηχανές και n εργασίες σε ένα πρόβλημα παραγωγής κατά παραγγελία. Κάθε πράξη σε μια εργασια έχει δική της επεξεργασία χρόνου. Σε αυτό το πρόβλημα, η λειτουργία k κάθε εργασίας γίνεται για τη μηχανή m. Αυτό το πρόβλημα μπορεί να έχει κάποιους περιορισμούς στην αρχή και στο τέλος κάθε εργασίας. Ο περιορισμός του χρόνου έναρξης υπάρχει επειδή η ώρα έναρξης δεν μπορεί να είναι νωρίτερα από ένα ορισμένο χρονικό σημείο. Ο περιορισμός του χρόνου παράδοσης σημαίνει ότι επιβάλετε ποινή για παράδοση νωρίτερα ή αργότερα από την προκαθορισμένο χρόνο. Οι δυο ποινές μπορεί να είναι διαφορετικές ανάλογος τις θέσεις εργασίας. Ο στόχος της επίλυσης αυτού του προβλήματος είναι να προσδιορίσει τις αλληλουχίες εργασιών και μηχανημάτων προκειμένου να βελτιστοποιηθεί η απόδοση του συστήματος. Οι ακόλουθοι στόχοι μπορεί να πραγματοποιηθούν σε προβλήματα προγραμματισμού: Μεγιστοποίηση της χρήσης των συστημάτων ή των πόρων. Ελαχιστοποίηση της αδράνειας σε κάθε μηχάνημα που προκαλείται από την πρωιμότητα της διαδικασίας λειτουργίας ή την αργοπορία στη λήψη των θέσεων εργασίας από μια μηχανή. Αυτοί οι δύο στόχοι είναι παράλληλοι και σε ορισμένες περιπτώσεις η βέλτιστη λύση αλλάζει ανάλογα με το είδος του εκάστοτε στόχου. Η υπόθεση αυτή είναι πιο εμφανής όταν υπάρχουν διαφορετικές κυρώσεις για κάθε μηχάνημα. Προβλήματα προγραμματισμού μπορεί να καταταχτούν σύμφωνα με τα κύρια κριτήρια, όπως τις απαιτήσεις, την πολυπλοκότητα της διαδικασίας, τα κριτήρια προγραμματισμού και το περιβάλλον προγραμματισμού. Σύμφωνα με το πρώτο κριτήριο δηλαδή τις απαιτήσεις υπάρχουν δύο στάδια: ανοικτού και κλειστού production shop που βασίζονται στις απαιτήσεις της παραγωγής. 13

15 Το δεύτερο κριτήριο εξαρτάται από τα στάδια τις διαδικασίες και τον αριθμός των σταθμών εργασίας. Αυτά μπορεί να κατηγοριοποιηθούν ως εξής: ένα στάδιο, μία διεργασία ένα στάδιο, πολλές διεργασίες πολλαπλά στάδια, γραμμή παραγωγής σε πολλαπλά στάδια παραγωγή κατά παραγγελία. Στον πρώτο τύπο υπάρχει ένας επεξεργαστής και ένα στάδιο. Η δεύτερη κατηγορία αφόρα ένα στάδιο και πολλαπλούς επεξεργαστές. Στην τρίτη υποκατηγορία κάθε εργασία αποτελείται από πολλές διεργασίες. Στην τέταρτη υποκατηγορία είναι δυνατόν να εκχωρήσουμε έναν αριθμό μηχανημάτων και τη διαδρομή των εργασιών σε ένα έργο. 14

16 ΚΕΦΑΛΑΙΟ 2 ΕΞΕΛΙΚΤΙΚΕΣ ΣΤΡΑΤΗΓΙΚΕΣ ΚΑΙ ΑΛΓΟΡΙΘΜΟΙ 2.1 Ανάλυση αλγορίθμων (κύριοι αλγόριθμοι) Μεθευρετικοί αλγόριθμοι όπως η λίστα περιορισμένης αναζήτησης (tabu search), οι γενετικοί αλγόριθμοι, η προσομοιωμένη ανόπτηση, νευρωνικά δίκτυα κλπ, έχουν χρησιμοποιηθεί για την επίλυση σημαντικών προβλημάτων συνδυαστικής βελτιστοποίησης. Στόχος αυτών των αλγορίθμων είναι η αναζήτηση του χώρου λύσεων πιο αποτελεσματικά από τις συμβατικές μεθόδους. Οι πρώτοι γενετικοί αλγόριθμοι αναπτύχθηκαν και περιγράφηκαν πρώτα από τον J.Holland το 1960[5] και αργότερα από τον Goldberg το 1989[6]. Οι γενετικοί αλγόριθμοι προσομοιώνουν τη διαδικασία της εξέλιξης που συναντούμε στη φύση. Ένας πληθυσμός εξελίσσεται με την πάροδο των γενεών προκειμένου να προσαρμοστεί στο περιβάλλον του και να αντιμετωπίσει καλύτερα τα διάφορα προβλήματα που παρουσιάζονται. Ένας γενετικός αλγόριθμος είναι μια επαναληπτική στοχαστική διαδικασία όπου ένας σταθερός από άποψη πλήθους πληθυσμός πολλαπλασιάζεται για τη δημιουργία καλύτερων γενεών. Ο πληθυσμός των γενετικών αλγορίθμων αποτελείται από λύσεις του προβλήματος κατάλληλα κωδικοποιημένες σε μορφή χρωμοσωμάτων. Αντίθετα με τη φύση κάθε χρωμόσωμα αντιπροσωπεύει και μια λύση. Ξεκινώντας από ένα αρχικό πληθυσμό από εφικτές λύσεις οι λύσεις αυτές αξιολογούνται με συγκεκριμένο κριτήριο και με κατάλληλες διαδικασίες επιλογής και αναπαραγωγής που θα δούμε παρακάτω, πολλαπλασιάζονται δύο από αυτές (γονείς) και δημιουργούν δύο νέες λύσεις (απόγονους) μέχρι να δημιουργηθεί μια νέα γενιά χρωμοσωμάτων, όμοια σε πλήθος με την προηγούμενη. Ιδεατά κάποια από αυτές τις λύσεις θα είναι καλύτερη από την καλύτερη λύση της προηγούμενης γενιάς. Έτσι μέσα στον πληθυσμό θα υπάρχουν καλύτερα γονίδια τα οποία με τη σειρά τους θα οδηγήσουν στην δημιουργία ακόμα καλύτερων γενεών. Επιπλέον έχουμε και τη διαδικασία της μετάλλαξης. Ένας μικρός αριθμός του πληθυσμού μεταλλάσσεται τυχαία με σκοπό να εισαχθούν νέα γονίδια στον 15

17 πληθυσμό και να αποτρέψουν τη λύση να είναι υποβέλτιστη. Η διαδικασία αυτή επαναλαμβάνεται 10 μέχρι να γίνει αληθής μια συνθήκη εξόδου οπότε και τερματίζεται ο αλγόριθμος. Οι μιμητικοί αλγόριθμοι αντιπροσωπεύουν έναν από τους πρόσφατα αναπτυσσόμενους τομείς έρευνας της εξελικτικής υπολογιστικής. Ο όρος μιμητικοί αλγόριθμοι χρησιμοποιείται ευρέως για την περιγραφή μεθόδων που αποτελούνται από τη συνεργεία μιας εξελικτικής ή πληθυσμιακής προσέγγισης με ξεχωριστή μάθηση για κάθε υποκείμενο ή διαδικασίες τοπικής βελτίωσης για την αναζήτηση του χώρου λύσεων του προβλήματος. Η τοπική αναζήτηση (local search) είναι μια μεθευρετική μέθοδος για την επίλυση δύσκολων και πολύπλοκων υπολογιστικά προβλημάτων βελτιστοποίησης. Γενικά μπορεί να περιγραφεί σαν μια μέθοδος που βρίσκεται μια λύση όπου μεγιστοποιείται ένα κριτήριο από ένα σύνολο πιθανών λύσεων. Οι αλγόριθμοι τοπικής αναζήτησης κινούνται από λύση σε λύση στο χώρο των πιθανών λύσεων (χώρος λύσεων του προβλήματος) μέχρι να βρεθεί μια λύση που ορίζεται ως βέλτιστη ή ξεπεραστεί κάποιος περιορισμός χρόνου εκτέλεσης[7]. 2.2 Μεθευρετικοί αλγόριθμοι Οι μεθευρετικοί αλγόριθμοι είναι αλγόριθμοι επίλυσης που συνδυάζουν διαδικασίες τοπικής αναζήτησης και υψηλότερου επιπέδου στρατηγικές για να δημιουργήσουν μια διαδικασία που είναι ικανή να ξεφύγει από κάποιο τοπικό ελάχιστο. Σε αυτή την κατηγορία αλγορίθμων εξερευνάται το πεδίο της λύσης με σκοπό να βρεθεί μια καλύτερη λύση. Τα βασικά χαρακτηριστικά των μεθευρετικών αλγορίθμων είναι τα ακόλουθα [8]: μοντελοποιούν ένα φαινόμενο που υπάρχει στη φύση μπορούν να μεταφερθούν εύκολα σε παράλληλη μορφή είναι προσαρμοστικοί αλγόριθμοι 16

18 Κάποιοι από τους μεθευρετικούς αλγορίθμους είναι οι εξής: Προσομοιωμένη ανόπτηση (Simulated Annealing) Περιορισμένη αναζήτηση (Tabu Search) Αλγόριθμος βελτιστοποίησης σμήνους σωματιδίων (Particle Swarm Optimization) Γενετικοί αλγόριθμοι (Genetic Algorithms) Εξελικτικοί αλγόριθμοι (Evolutionary Algorithms) Νευρωνικά δίκτυα (Neural Nets) Αλγόριθμοι βελτιστοποίησης αποικίας μυρμηγκιών (Ant Colony Optimization) Αλγόριθμος διασκορπισμένης αναζήτησης (Scatter Search) Διαδικασία άπληστης τυχαιοποιημένης προσαρμοστικής αναζήτησης (Greedy Randomized Adaptive Search Procedure) Αλγόριθμος διαφορικής εξέλιξης (Differential Evolution) 2.3 Λίστα περιορισμένης αναζήτησης (Τabu Search) Η λίστα περιορισμένης αναζήτησης (Tabu Search) ως μεθευρετικός αλγόριθμος χρησιμοποιεί ένα μηχανισμό για την αποφυγή του εγκλωβισμού σε τοπικό ελάχιστο και την αποδοτική αναζήτηση στο χώρο λύσεων. Η διαφορά με τους υπόλοιπους μεθευρετικούς αλγορίθμους είναι ότι αυτός ο μηχανισμός δεν χρησιμοποιεί την τύχη όπως είδαμε στους γενετικούς και τους μιμητικούς αλλά την απομνημόνευση των κινήσεων που έχουν γίνει στο παρελθόν. Κατά την εκτέλεση του TS γίνεται μετακίνηση από μια λύση στην καλύτερη γειτονική ακόμα και αν αυτό σημαίνει χειροτέρευση σε σχέση με την καλύτερη τρέχουσα. Αυτή η στρατηγική επιτρέπει στην αναζήτηση να ξεφύγει από το τρέχον τοπικό βέλτιστο και να ερευνήσει άλλες περιοχές του χώρου λύσεων. Για να αποφευχθεί η μετάβαση σε κάποια λύση που έχει ήδη ελεγχθεί όλες οι πρόσφατες κινήσεις που έχουν γίνει για την μετάβαση από μια λύση σε μια άλλη καταγράφονται σε μια λίστα περιορισμένου μεγέθους. Αυτό έχει σαν αποτέλεσμα την αποφυγή επανάληψης των ίδιων κινήσεων ξανά και ξανά, εξαλείφοντας τον κίνδυνο προσκόλλησης σε συγκεκριμένη περιοχή του χώρου λύσεων[9]. 17

19 Πιο αναλυτικά, ο αλγόριθμος TS χρησιμοποιεί δύο στρατηγικές για την αποδοτική αναζήτηση του χώρου λύσεων. Αυτές οι στρατηγικές είναι η εντατικοποίηση (intensification) της αναζήτησης γύρω από ένα τοπικό βέλτιστο και την διάχυση (diversification) της έρευνας σε νέες περιοχές του εφικτού συνόλου. Ο συγκεκριμένος αλγόριθμος είναι μια τεχνική καθοδήγησης (guiding technique) της τοπικής αναζήτησης βασισμένη σε προσαρμοστική μνήμη, δίνοντας στην περιορισμένη αναζήτηση της ιδιότητες μιας μεθευρετικής μεθόδου. Είναι μέθοδος προσδιοριστικού (deterministic) χαρακτήρα που προσπαθεί να επιτύχει ότι θεωρητικά υπόσχεται η προσομοιωμένη ανόπτηση (simulated annealing) που είναι μέθοδος τυχαιοποίησης (στοχαστικού χαρακτήρα). Έτσι τα βασικά χαρακτηριστικά της μεθόδου μπορούν να συνοψιστούν στα εξής τέσσερα σημεία: Μνήμη H βασισμένη στην ιστορία της τοπικής αναζήτησης σε αντίθεση προς την τοπική αναζήτηση που δεν διαθέτει μνήμη. Περιορισμοί Tabu που βασιζόμενοι στην μνήμη απαγορεύουν συγκεκριμένες κινήσεις (κυρίως στοιχειώδεις πράξεις σε λύσεις για μετάβαση σε άλλες): Κριτήρια φιλοδοξίας (aspiration) που επιτρέπουν υπέρβαση των περιορισμών της μεθόδου π.χ. εάν η χρήση κάποιων απαγορευμένων κινήσεων παρήγαγαν λύση καλύτερη από όλες που έχουν παραχθεί μέχρι εκείνη τη στιγμή, π.χ f (Ŋ,x) f (χ). Κριτήρια διάχυσης (diversification) που επιτρέπουν την επιβολή ιδιοτήτων λύσεων που ιστορικά παρήγαγαν καλά αποτελέσματα και την διάχυση της αναζήτησης σε νέες περιοχές εφικτών λύσεων: Η N (Ŋ,x (k) ) μπορεί να περιέχει λύσεις εκτός N (x (k) ). Το κυριότερο χαρακτηριστικό που ενσωματώθηκε στον αλγόριθμο που κατασκευάσαμε από την μέθοδο περιορισμένης αναζήτησης ήταν αυτό της μνήμης με τη μορφή μιας λίστας περιορισμένης αναζήτησης (Tabu List) και των tabu περιορισμών. Η χρήση αυτού του χαρακτηριστικού έγινε με τη δημιουργία μιας δομής δεδομένων τύπου ουράς όπου κάθε στοιχείο της περιέχει τα τρία διανύσματα με τα οποία κωδικοποιούμε την κάθε λύση. Η 18

20 λίστα αρχικά είναι άδεια και κάθε φορά που ο γενετικός αλγόριθμος πραγματοποιεί την διαδικασία διασταύρωσης δύο λύσεων (ενός ή δύο σημείων) ελέγχει εάν κάποια από τις λύσεις που προέκυψαν υπάρχει στη λίστα περιορισμένης αναζήτησης. Στην περίπτωση που συμβαίνει αυτό οι δύο νέες λύσεις-απόγονοι απορρίπτονται και επιλέγονται από την αρχή δύο νέοι γονείς προς διασταύρωση και γίνεται επανάληψη της διαδικασίας. Στην αντίθετη περίπτωση οι δύο νέες λύσεις προστίθενται στο τέλος της λίστας. Εάν η λίστα είναι γεμάτη τότε οι πιο παλιές λύσεις της λίστας διαγράφονται. Με αυτό τον τρόπο η λίστα διατηρεί ένα σταθερό μέγεθος κατά την εκτέλεση του αλγορίθμου δηλαδή ο ορίζοντας των κινήσεων που "βλέπει" είναι περιορισμένος. Το μέγεθος της λίστας προσαρμόζεται σύμφωνα με το μέγεθος του προβλήματος και ο μέγιστος αριθμός των στοιχείων που μπορεί να περιέχει ορίζεται στο τετραπλάσιο πλήθος στοιχείων από αυτό των πελατών[10]. Ο έλεγχος αυτός γίνεται μόνο κατά τη διαδικασία διασταύρωσης του διανύσματος δρομολόγησης. Αυτό συμβαίνει επειδή πάρα πολλές καλές λύσεις μοιράζονται τα διανύσματα αποθηκών και δείκτη ενώ μια νέα λύση δεν είναι ολοκληρωμένη πριν από τη δημιουργία του νέου διανύσματος δρομολόγησης. Έτσι η εισαγωγή των διανυσμάτων σε ξεχωριστές λίστες δεν έχει νόημα αφού μόνο με τη χρήση και των τριών μπορεί να περιγραφεί μια λύση ολοκληρωμένα, ενώ πριν ολοκληρωθεί η διαδικασία της διασταύρωσης των διανυσμάτων που περιέχουν τη σειρά επίσκεψης των πελατών δεν υπάρχουν σχηματισμένες νέες λύσεις και στις δύο μεθόδους επίλυσης (δύο φάσεις ταυτόχρονα ή ξεχωριστά). Ο τρόπος με τον οποίο απορρίπτονται ή γίνονται αποδεκτές οι λύσεις που προκύπτουν από τις μεθόδους τοπικής αναζήτησης μοιάζει αρκετά με τον τρόπο που λειτουργεί το κριτήριο φιλοδοξίας στον Tabu Search. Οι λύσεις που προκύπτουν από αυτές τις μεθόδους γίνονται αποδεκτές μόνο εάν δίνουν καλύτερο κόστος σε σχέση με τις αρχικές οπότε δεν έχει νόημα ο έλεγχος στην Tabu List ενώ στην περίπτωση που δίνουν χειρότερο κόστος σε σχέση με πριν απορρίπτονται ούτως ή άλλως με τις αρχικές να υπάρχουν ήδη στη λίστα[11]. H υλοποίηση της λίστας περιορισμένης αναζήτησης έγινε με τη χρήση δύο βοηθητικών συναρτήσεων και ενός πίνακα (array) σταθερού μεγέθους με μια μεταβλητή δείκτη η οποία μας δείχνει το τρέχον στοιχείο - κεφαλή της 19

21 λίστας. Αρχικά η λίστα είναι κενή. Με τη βοήθεια μιας συνάρτησης εισαγωγής στοιχείου, εκχωρείται το στοιχείο που δίνουμε στο σημείο που μας δείχνει η μεταβλητή και η τιμή της αυξάνεται κατά μια μονάδα έτσι ώστε να δείχνει την επόμενη θέση στη λίστα. Όταν αυτή η μεταβλητή πάρει τη μέγιστη τιμή της (μέγεθος λίστας) τότε της δίνεται η κατάλληλη τιμή ώστε να δείχνει στο πρώτο στοιχείο του πίνακα. Με αυτό τον τρόπο η μεταβλητή δείχνει πάντα το στοιχείο που βρίσκεται τον περισσότερο χρόνο στη λίστα δημιουργώντας μια δομή δεδομένων τύπου ουράς όπου επικρατεί η συνθήκη first in first out. Μπορούμε να δούμε πως λειτουργεί με μορφή ψευδοκώδικα: method tabulistinsert input tabulist, tbsize, tbstart, item tabulist(tbstart) item if tbstart = tbsize, then tbstart 1 else tbstart tbstart + 1 end if return tabulist, tbstart Η αναζήτηση στη λίστα γίνεται επίσης με τη χρήση μιας βοηθητικής συνάρτησης. Στη συνάρτηση δίνεται το στοιχείο προς αναζήτηση και στη συνέχεια γίνεται αναζήτηση στη λίστα για την ύπαρξη αυτού του στοιχείου. Αν η αναζήτηση ήταν επιτυχής και βρέθηκε το ζητούμενο στοιχείο η συνάρτηση επιστρέφει την τιμή 1, ενώ σε διαφορετική περίπτωση την τιμή 0. Εδώ παρουσιάζεται η συνάρτηση αναζήτησης σε μορφή ψευδοκώδικα: 20

22 method tabulistsearch input tabulist, tbsize, searchitem value 0 for i: 1 tbsize if tabulist(i) = searchitem, then returnvalue 1 exit for loop end if end for return value // returns value 1 if search item in list, 0 otherwise. Στη συνέχεια παρουσιάζεται σε μορφή ψευδοκώδικα ο τρόπος με τον οποίο συνδυάζεται η λίστα περιορισμένης αναζήτησης στον αλγόριθμο κατά τη διαδικασία διασταύρωσης λύσεων. method Tabu List implementation input oldgeneration, tabulist, tbstart, populationsize i 1 do parent1 roulette(oldgeneration) 21

23 parent2 roulette(oldgeneration) offspring1, offspring2 crossover(parent1, parent2) if tabulistsearch(offspring1) = 0, then //Not in list if tabulistsearch(offspring2) = 0, then //Not in list tabulistinsert(offspring1) newgeneration(i) offspring1 tabulistinsert(offspring2) newgeneration(i+1) offspring2 i i+2 end if end if while (i < populationsize) return newgeneration Για προβλήματα με μεγάλο πλήθος πελατών η Tabu List μπορεί να πάρει πολύ μεγάλο μέγεθος. Ακόμη τα προβλήματα αυτά χρησιμοποιούν μεγαλύτερα διανύσματα λόγω του μεγάλου αριθμού των πελατών που πρέπει να εξυπηρετήσουν. Έτσι είναι επόμενο η αναζήτηση στη λίστα περιορισμένης αναζήτησης να καθυστερεί τον αλγόριθμο σε βάρος της παραγωγής νέων γενιών και έτσι δεν είναι εξασφαλισμένη η επίτευξη καλύτερων αποτελεσμάτων σε σχέση με την περίπτωση που δεν γίνεται χρήση της. Όπως θα δούμε παρακάτω η επιτυχία ή όχι του συνδυαστικού αλγορίθμου εξαρτάται από τη φύση του προβλήματος. 22

24 ΚΕΦΑΛΑΙΟ 3 ΠΕΡΙΓΡΑΦΗ ΑΛΓΟΡΙΘΜΟΥ ΕΠΙΛΥΣΗΣ 3.1 Ανάλυση της διαδικασίας ανάπτυξης του αλγορίθμου επίλυσης Σε αυτό το κεφάλαιο θα παρουσιάσουμε τον αλγόριθμο σε βήματα δείχνοντας τη πορεία που ακολουθήσαμε. Η υλοποίηση του αλγορίθμου για την επίλυση του προβλήματος job shop scheduling έγινε με τη χρήση της μαθηματικής γλώσσας προγραμματισμού Matlab. Το matlab είναι ένα αριθμητικό υπολογιστικό περιβάλλον και τετάρτης γενεάς γλώσσα προγραμματισμού. Ανεπτυγμένο από την εταιρία Math works το Matlab επιτρέπει το χειρισμό πινάκων, συναρτήσεων και γενικά αριθμητικών δεδομένων. Το πρόγραμμα αποτελείται από 1 αρχείο συνάρτησης. Πριν την έναρξη της βελτιστοποίησης ζητείται από το χρήστη η εισαγωγή ενός αρχείου μορφής Microsoft office excel worksheet(.xls ) ΣΥΝΑΡΤΗΣΗ Αρχικά δημιουργήσαμε τη συνάρτηση η οποία δέχεται τον πίνακα δεδομένων μέσα στον οποίο υπάρχουν δύο ίσοι πίνακες με γραμμές που αποτελούν της μηχανές και στήλες της εργασίες που θα πραγματοποιηθούν. Ο πρώτος πίνακας θα περιέχει τους χρόνους ενώ ο δεύτερος της προτεραιότητες που πρέπει να ακολουθήσουν. Πίνακας 1: Πινάκας χρονών

25 Πίνακας 2: Πινάκας προτεραιοτήτων Στη συνέχεια η συνάρτηση θα μας δίνει ένα τυχαίο πίνακα μεγέθους όσο οι δύο παραπάνω στον οποίο θα υπάρχει μια αρχική τυχαία λύση. Αυτή η τυχαία λύση θα διορθώνετε σύμφωνα με το πίνακα προτεραιοτήτων. Πίνακας 3: Τυχαίος πινάκας Πίνακας 4: Τυχαίος διορθωμένος πινάκας Επόμενο βήμα στη συνάρτηση είναι ο υπολογισμός του makespan. Για να το υπολογίσουμε χρησιμοποιούμε το ταξινομημένο τυχαίο πίνακα αλλά και το πίνακα με τους χρόνους η διαδικασία υπολογισμού είναι η εξής: Δημιουργούμε ένα μηδενικό πίνακα μεγέθους (nxm) 24

26 Ξεκινάμε από το πρώτο στοιχείο του ταξινομημένου τυχαίου πηγαίνοντας στο αντίστοιχο του μηδενικού και ελέγχουμε για αυτή τη στήλη και αυτή τη γραμμή αν υπάρχει κάποιο μεγαλύτερο, αν όχι τότε προσθέτουμε σε αυτή τη θέση το στοιχείο που υπάρχει στην αντίστοιχη του πίνακα των χρόνων αλλιώς στη μεγαλύτερη τιμή που θα βρούμε κατά τον έλεγχο. Η μεγαλύτερη τιμή που θα υπάρχει στο πίνακα μετά την ολοκλήρωση της διαδικασίας είναι το makespan που ψάχνουμε. Πίνακας 5: Κατά τη διάρκεια του γεμίσματος Πίνακας 6: Ο πινάκας αφού έχει γεμίσει Το παραπάνω παράδειγμα μας δίνει makespan 472 το όποιο αποθηκεύω προσωρινά σαν καλύτερο αποτέλεσμα μέχρι η tabu search να μας δώσει καλύτερη τιμή. Στη συνεχεία παρουσιάζω τη συνάρτηση που γράψαμε στη matlab με μορφή ψευδογλωσσας. 25

27 ΣΥΝΑΡΤΗΣΗ ΔΙΑΒΑΣΕ num_of_machines ΔΙΑΒΑΣΕ num_of_jobs Final TXL Για i από 1 μέχρι num_of_jobs με βήμα 1 temp_txl TXL(:,i) temp_pr PR(:,i) temp_txl sort(temp_txl) final(:,i ) temp_txl(temp_pr) Τέλος_επανάληψης C 0 Για i από 1 μέχρι num_of_machines*num_of_jobs με βήμα 1 [x,y] find(final==i); 26

28 temp_grami C(x,:); temp_stili C(:,y); temp_value max(max(temp_grami),max(temp_stili)); C(x,y) temp_value+xr(x,y); Τέλος_επανάληψης ΚΥΡΙΩΣ ΠΡΟΓΡΑΜΜΑ (TABU SEARCH) Στη συνέχεια του προγράμματος προσπαθώ μέσω επαναληπτικής διαδικασίας να έχω καλύτερο αποτέλεσμα δηλαδή μικρότερο makespan. Αρχικά στη τυχαία λύση που δημιούργησα στη συνάρτηση θα κάνω μια νέα αλλαγή μεταξύ δύο στοιχειών. Στη συνέχεια θα διορθώσω το πίνακα σύμφωνα με αυτό προτεραιοτήτων. των Υπολογίζω το καινούργιο makespan και το συγκρίνω με το προηγούμενο κρατώντας το μικρότερο. Η παραπάνω διαδικασία επαναλαμβάνετε σε κάθε παράδειγμα για φορές έχοντας όμως ως περιορισμό ότι ανά 100 επαναλήψεις θα δημιουργώ ένα καινούριο τυχαίο πίνακα και θα το συγκρίνω με τον καλύτερο ήδη υπάρχων τυχαίο, αποφεύγοντας με αυτό το τρόπο να εγκλωβιστούμε σε τοπικό ελάχιστο. 27

29 TABU LIST Η TABU LIST είναι η λίστα την οποία έχω δημιουργήσει στο πρόγραμμα μου, για να αποθηκεύω σε κάθε επανάληψη τα δύο στοιχεία που θα αλλάξω θέση στο πίνακα μου. Και στη συγκεκριμένη περίπτωση όμως για να αποφύγω της ιδέες αλλαγές σε σύντομο χρονικό διάστημα έχω δημιουργήσει περιορισμό ο οποίος μου απαγορεύει στις 10 επόμενες επαναλήψεις να γίνει η αλλαγή ανάμεσα σε δύο ίδια στοιχεία. Στη συνεχεία παρουσιάζω το κώδικα μορφή ψευδογλωσσας: που γράψαμε στη matlab με num_of_machines stiles; num_of_jobs grammes; megethos num_of_machines*num_of_jobs TX randperm(megethos) TXL reshape(tx,num_of_machines,num_of_jobs) original_txl TXL [C_best,current_best] find_makespan(original_txl,xr,pr) tabu_list zeros(10000,2) tabu_list(1:megethos,1) randperm(megethos) 28

30 tabu_list(1:megethos,2) randperm(megethos) Για i από megethos+1 μέχρι με βήμα 1 tabu_list(i,1) floor(rand()*megethos)+1 tabu_list(i,1) floor(rand()*megethos)+1 tabu_list(i,2) floor(rand()*megethos)+1 Όσο (tabu_list(i,1)==tabu_list(i,2)) επανέλαβε tabu_list(i,2) floor(rand()*megethos)+1 Τέλος_επαναληψης tmp_place find(tabu_list(i-1-10:i-1,1)==tabu_list(i,1)) Αν ~isempty(tmp_place) τοτε Αν tabu_list(tmp_place,2)==tabu_list(i,2) τοτε Όσο (tabu_list(i,2)==tabu_list(tmp_place,2)) επανέλαβε tabu_list(i,2) floor(rand()*megethos)+1 τελος_επαναληψης Τελος_αν Τελος_αν Τελος_αν i 1 29

31 Όσο (i<10000) επανέλαβε TXL original_txl idx1 find(txl==tabu_list(i,1)) idx2 find(txl==tabu_list(i,2)) TXL(idx2) tabu_list(i,1) TXL(idx1) tabu_list(i,2) [C,final] find_makespan(txl,xr,pr) Αν max(max(c))<max(max(c_best)) τότε current_best final C_best C original_txl TXL τελος_αν Αν (mod(i,100)==0) τότε TX randperm(megethos) Reshape (TX,num_of_machines,num_of_jobs) TXL_new reshape(tx,num_of_machines,num_of_jobs) [C_new,final_new] find_makespan(original_txl,xr,pr) Αν max(max(c_new))<max(max(c_best)) τότε current_best final_new 30

32 C_best C_new original_txl TXL_new τελος_αν Τελος_αν Εκτύπωσε i Εκτύπως max(max(c_best)) i i+1; Τελος_αν 31

33 3.2 Διάγραμμα ροής αλγορίθμου ΑΡΧΗ ΔΙΑΒΑΣΕ ΔΕΔΟΜΕΝΑ ΔΗΜΙΟΥΡΓΗΣΕ RANDOM ΔΙΟΡΘΩΣΕ ΤΗ RANDOM ΟΧΙ ΥΠΟΛΟΓΙΣΕ MAKESPAN MAKESPAN< BΡΕΣ ΦΤΙΑΞΕ ΟΡΙΣΕ MAKESPAN BEST MAKESPAN BEST RANDOM ΝΑΙ ΚΑΝΕ ΤΥΧΑΙΑ ΑΛΛΑΓΗ ΣΤΗ RAND ΔΙΟΡΘΩΣΕ ΞΑΝΑ ΤΟ ΠΙΝΑΚΑ ΟΧΙ ΒΡΕΣ MAKESPAN MAKESPAN< MAKESPAN BEST ΤΕΛΟΣ 32

34 ΚΕΦΑΛΑΙΟ 4 ΑΠΟΤΕΛΕΣΜΑΤΑ 4.1 Αναλυτική παρουσίαση πρώτης σειράς δεδομένων Η πρώτη σειρά δεδομένων είναι η Abz5- Abz9 είναι από J. Adams, E. Balas and D. Zawack (1988). Παρακάτω θα σας παρουσιάσω το κάθε παράδειγμα ξεχωριστά καθώς και τα αποτελέσματα της επαναληπτικής διαδικασίας. Πίνακας 7: Πινάκας σύγκρισης Παράδειγμα Μέγεθος ΚαλύτερηΓνωστή Λύση Λύση ABZ ABZ ABZ ABZ ABZ Γραφική απεικόνιση της σύγκρισης ανάμεσα στη καλύτερη λύση και στη λύσης της επαναληπτικής διαδικασίας. 33

35 Καλύτερη Γνωστή Λύση Λύση Εικόνα 1: Διάγραμμα σύγκρισης Πίνακας 8: Πινάκας αποκλίσεων ABZ ABZ ABZ ABZ ABZ

36 Γραφική απεικόνιση της απόκλισης για ABZ5 ABZ9 : Εικόνα 2: Διάγραμμα αποκλίσεων Από το πινάκα μας και το γράφημα συμπεραίνουμε ότι καλύτερο αποτέλεσμα είχαμε ABZ 6 στο όποιο έχουμε και τη μικρότερη απόκλιση σε σχέση με τα υπόλοιπα παραδείγματα αυτής της σειράς. 35

37 ΠΑΡΑΔΕΙΓΜΑ: ΑBZ 5 Τα δεδομένα του προβλήματος παρουσιάζονται παρακάτω, οι γραμμές αντιπροσωπεύουν μηχανές και οι στήλες εργασίες. Το ακόλουθο παράδειγμα αφορά πρόβλημα 10 μηχανών και 10 εργασιών. Πίνακας 9: Πινάκας προτεραιοτήτων

38 Πίνακας 10: Πινάκας χρονών Τα αποτελέσματα της επαναληπτικής διαδικασίας του αλγορίθμου παρουσιάζονται στο πινάκα και στο γράφημα. Σε σχέση με τη καλύτερη γνωστή λύση έχουμε μια απόκλιση της τάξης του 4,8622% Πίνακας 11: Πινάκας αποτελεσμάτων επαναληπτικής διαδικασίας ΜΕΤΡ 1 ΜΕΤΡ 2 ΜΕΤΡ 3 ΜΕΤΡ 4 ΜΕΤΡ 5 ΜΕΣΟ ΟΡΟ

39 Εικόνα 3: Διάγραμμα αποτελεσμάτων επαναληπτικής διαδικασίας Η καλύτερη τιμή είναι στη τέταρτη μέτρηση με makespan= Ο πινάκας final μας εμφανίζει τη σειρά που θα εξακολουθήσουμε ώστε να περάσουν όλες οι εργασίες από όλες τις μηχανές. Πίνακας 12: Πινάκας final

40 ΠΑΡΑΔΕΙΓΜΑ: ABZ 6 Το ακόλουθο παράδειγμα αφορά πρόβλημα 10 μηχανών και 10 εργασιών. Πίνακας 13: Πινάκας προτεραιοτήτων Πίνακας 14: Πινάκας χρόνων

41 Τα αποτελέσματα της επαναληπτικής διαδικασίας του αλγορίθμου παρουσιάζονται στο πινάκα αλλά στο γράφημα. Η απόκλιση στο συγκεκριμένο παράδειγμα είναι 3,0752%. Πίνακας 15: Πινάκας αποτελεσμάτων επαναληπτικής διαδικασίας ΜΕΤΡ 1 ΜΕΤΡ 2 ΜΕΤΡ 3 ΜΕΤΡ 4 ΜΕΤΡ 5 ΜΕΣΟ ΟΡΟ Εικόνα 4: Διάγραμμα αποτελεσμάτων επαναληπτικής διαδικασίας 40

42 Η καλύτερη τιμή είναι στη τρίτη, πέμπτη μέτρηση με makespan= 972 Ο πινάκας final μας εμφανίζει τη σειρά που θα εξακολουθήσουμε ώστε να περάσουμε από όλες τις εργασίες και όλες τις μηχανές με το μικρότερο δυνατό κόστος. Πίνακας 16: Πινάκας final

43 ΠΑΡΑΔΕΙΓΜΑ: ABZ 7 Στο συγκεκριμένο πρόβλημα έχουμε 15 μηχανές και 20 εργασίες. Τα δεδομένα του προβλήματος παρουσιάζονται παρακάτω. Πίνακας 17: Πινάκας προτεραιοτήτων

44 Πίνακας 18: Πινάκας χρονών

45 Τα αποτελέσματα της επαναληπτικής διαδικασίας του αλγορίθμου παρουσιάζονται στο πινάκα αλλά στο γράφημα. Η καλύτερη δυνατή λύση ισούται με 656 συνεπώς έχω απόκλιση 18,75% Πίνακας 19: Πινάκας αποτελεσμάτων επαναληπτικής διαδικασίας ΜΕΤΡ 1 ΜΕΤΡ 2 ΜΕΤΡ 3 ΜΕΤΡ 4 ΜΕΤΡ 5 ΜΕΣΟ ΟΡΟ Εικόνα 5: Διάγραμμα αποτελεσμάτων επαναληπτικής διαδικασίας Η καλύτερη τιμή είναι στη τρίτη, πέμπτη μέτρηση με makespan= 779 Ο πινάκας final μας εμφανίζει τη σειρά που θα εξακολουθήσουμε ώστε να περάσουμε από όλες τις εργασίες και όλες τις μηχανές με το μικρότερο δυνατό κόστος. 44

46 Πίνακας 20: Πινακας final 45

47 ΠΑΡΑΔΕΙΓΜΑ: ABZ 8 Στο πρόβλημα που ακολουθεί έχουμε 15 μηχανές και 20 εργασίες. Τα δεδομένα του προβλήματος παρουσιάζονται παρακάτω: Πίνακας 21: Πινάκας προτεραιοτήτων

48 Πίνακας 22: Πινάκας χρονών

49 Η καλύτερη τιμή είναι στη τρίτη, τέταρτη μέτρηση με makespan= 826 Η απόκλιση στο συγκεκριμένο παράδειγμα είναι 27,8637% Πίνακας 23: Πινάκας αποτελεσμάτων επαναληπτικής διαδικασίας ΜΕΤΡ 1 ΜΕΤΡ 2 ΜΕΤΡ 3 ΜΕΤΡ 4 ΜΕΤΡ 5 ΜΕΣΟ ΟΡΟ Εικόνα 6: Διάγραμμα αποτελεσμάτων επαναληπτικής διαδικασίας 48

50 Και ακολουθει ο πινακας final της matlab με το βελτιστο συνδιασμο. Πίνακας 24: Πινάκας final 49

51 ΠΑΡΑΔΕΙΓΜΑ: ABZ 9 Τελευταίο παράδειγμα στην ομάδα ABZ είναι το ABZ 9 το όποιο αποτελείτε από 15 μηχανές και 20 εργασίες. Πίνακας 25: Πινάκας προτεραιοτήτων

52 Πίνακας 26: Πινάκας χρόνων Η καλύτερη τιμή είναι στη δεύτερη, τρίτη μέτρηση με makespan= 812 Η απόκλιση στο συγκεκριμένο παράδειγμα είναι 22,6586% 51

53 Πίνακας 27: Πινάκας αποτελεσμάτων επαναληπτικής διαδικασίας ΜΕΤΡ 1 ΜΕΤΡ 2 ΜΕΤΡ 3 ΜΕΤΡ 4 ΜΕΤΡ 5 ΜΕΣΟ ΟΡΟ Εικόνα 7: Διάγραμμα αποτελεσμάτων επαναληπτικής διαδικασίας Ο πινάκας final μας εμφανίζει τη σειρά που θα εξακολουθήσουμε ώστε να περάσουμε από όλες τις εργασίες και όλες τις μηχανές. 52

54 Πίνακας 28: Πινάκας final 4.2 Παρουσίαση όλων των σειρών δεδομένων Η επόμενη σειρά δεδομένων είναι ft06, ft10 και ft20 από H. Fisher, G.L. Thompson (1963). Στα 3 παραδείγματα παρουσιάζεται η καλύτερη γνωστή λύση, η καλύτερη δίκια μου λύση από τον αλγόριθμο όπως η απόκλιση ανάμεσα σε αυτές τις δυο. Πίνακας 29: Πινάκας σύγκρισης λύσεων Παραδειγματα Μέγεθος Καλύτερη Γνωστή Λύση Λύση FT FT FT

55 Γραφική απεικόνιση και σύγκριση του παραπάνω πινάκα: Εικόνα 8: Διάγραμμα σύγκρισης λύσεων Πίνακας 30: Πινάκας αποκλίσεων FT06 7, FT10 18, FT20 12,

56 Γραφική απεικόνιση της απόκλισης για FT06, FT10, FT20: Εικόνα 9: Διάγραμμα αποκλίσεων Η επαναληπτική διαδικασία έδωσε καλύτερο αποτέλεσμα για το FT06, αφού εκεί έχουμε μικρότερη απόκλιση. Η σειρά δεδομένων la02-la40 από S. Lawrence (1984). Στο παρακάτω πινάκα παρουσιάζονται τα αποτελέσματα των λύσεων, ενώ στο διαγράμματα η σύγκριση των καλυτέρων τιμών με αυτές που βρήκαμε από την αλγοριθμική ακολουθία. 55

57 Πίνακας 31: Πινάκας σύγκρισης λύσεων Παράδειγμα Μέγεθος Καλύτερη Γνωστή Λύση Λύση LA LA LA LA LA LA LA LA LA LA LA LA LA LA LA LA LA LA LA LA LA LA LA LA LA LA LA

58 LA LA LA LA LA LA LA LA LA LA Γραφική απεικόνιση και σύγκριση του παραπάνω πινάκα: Εικόνα 10: Διάγραμμα σύγκρισης λύσεων 57

59 Πίνακας 32: Πινάκας αποκλίσεων Παράδειγμα Απόκλιση LA02 5, LA03 9, LA04 6, LA05 1, LA06 10, LA07 1, LA08 5, LA10 0, LA11 2, LA12 0 LA13 7, LA14 0, LA16 0, LA17 3, LA18 13, LA19 10, LA20 5, LA21 8, LA22 19, LA23 13, LA24 14, LA25 15, LA26 17,

60 LA27 22, LA28 15,625 LA29 15, LA30 11, LA31 5, LA32 9, LA33 8, LA34 7, LA35 1, LA36 16, LA37 6, LA38 10, LA39 19, LA40 22, Γραφική απεικόνιση της απόκλισης από LA1-LA40: Εικόνα 11: Διάγραμμα αποκλίσεων 59

61 Υπάρχουν αρκετά παραδείγματα στα όποια παρατηρούμε ότι η απόκλιση τείνει στο 0. Αυτό σημαίνει ότι η επαναληπτική διαδικασία μας έδωσε καλά αποτελέσματα. Οι λύσεις που βρήκαμε είναι αρκετά κοντά στις καλύτερες γνώστες λύσεις. Τα orb01-orb5 από D. Applegate, W. Cook (1991), είναι η επόμενη σειρά δεδομένων. Πίνακας 33: Πινάκας σύγκρισης λύσεων Παράδειγμα Μέγεθος Καλύτερη Γνωστή Λύση Λύση ORB ORB ORB ORB ORB Γραφική απεικόνιση και σύγκριση του παραπάνω πινάκα: Εικόνα 12: Διάγραμμα σύγκρισης λύσεων 60

62 Πίνακας 34: Πινάκας αποκλίσεων Παράδειγμα Απόκλιση ORB01 8, ORB02 2, ORB03 10, ORB04 9, ORB05 12, ORB06 13, Γραφική απεικόνιση της απόκλισης από ORB01 ORB06: Εικόνα 13: Διάγραμμα αποκλίσεων Οι τιμές της απόκλισης κυμανθήκαν περίπου στα ιδία επίπεδα εκτός από το ORB 01 όπου υπάρχει η μικρότερη απόκλιση συνεπές και το καλύτερο αποτέλεσμα. 61

63 Η επόμενη σειρά δεδομένων είναι των Storer, Wu, και Vaccari. Πίνακας 35: Πινάκας σύγκρισης λύσεων Παράδειγμα Μέγεθος Καλύτερη Γνωστή Λύση Λύση SWV SWV SWV SWV SWV SWV SWV SWV SWV SWV SWV SWV SWV SWV SWV SWV SWV SWV SWV SWV

64 Γραφική απεικόνιση και σύγκριση του παραπάνω πινάκα: Εικόνα 14: Διάγραμμα σύγκρισης λύσεων Πίνακας 36: Πινάκας αποκλίσεων Παράδειγμα Απόκλιση SWV01 28, SWV02 26, SWV03 27, SWV04 35, SWV05 27, SWV06 36, SWV07 40, SWV08 35, SWV09 32,

65 SWV10 45, SWV11 45, SWV12 43, SWV13 43, SWV14 40, SWV15 42, SWV16 2, SWV17 7, SWV18 4, SWV19 10, SWV20 1, Γραφική απεικόνιση της απόκλισης από SWV01 SWV20: Εικόνα 15: Διάγραμμα αποκλίσεων 64

66 Παρατηρούμε ότι τα τελευταία 5 παραδείγματα αυτής της σειράς μας έδωσαν τη χαμηλότερη απόκλιση. Η τελευταία σειρά αποτελείται από 4 παραδείγματα, yn1-yn4 των Yamada και Nakano: Πίνακας 37: Πινάκας σύγκρισης λύσεων Παράδειγμα Μέγεθος Καλύτερη Γνωστή Λύση Λύση YN YN YN YN Γραφική απεικόνιση και σύγκριση του παραπάνω πινάκα: Εικόνα 16: Διάγραμμα σύγκρισης λύσεων 65

67 Πίνακας 38: Πινάκας αποκλίσεων Παράδειγμα Απόκλιση YN1 33, YN2 30, YN3 39, YN4 37, Γραφική απεικόνιση της απόκλισης από YN1 YN4: Εικόνα 17: Διάγραμμα αποκλίσεων Διαπιστώνουμε ότι YN2 έχει τη μικρότερη απόκλιση άρα τη καλύτερη τιμή σε σχέση με τα υπόλοιπα παραδείγματα αυτής της σειράς. 66

68 4.3 Συγκριτική ανάλυση αποτελεσμάτων Εύκολα μπορούμε να παρατηρήσουμε ότι ένας κάλος τρόπος σύγκρισης των παραπάνω σειρών δεδομένων είναι με τη βοήθεια των αποκλίσεων που παρουσιάζουν. Στο παρακάτω πίνακα υπάρχουν οι μέσοι όροι των αποκλίσεων για όλες τις σειρές. Πίνακας 39: Πινάκας μέσων ορών αποκλίσεων ABZ5 ABZ9 FT6,FT10,FT20 LA02 LA40 ORB01 ORB06 SWV01 SWV20 YN01 YN04 Μ. ΟΡΟΙ ΑΠΟΚΛΙΣΕΩΝ 15, , , , , , Γραφική απεικόνιση μέσου όρου αποκλίσεων Εικόνα 18: Διάγραμμα μέσων ορών αποκλίσεων 67